- 综合排序
- 最热优先
- 最新优先
- 来自专栏Lan小站
试题 算法训练 5-2求指数
.*; public class qiuzhishu { /** * @param args * 试题 算法训练 5-2求指数 */ public static void main(String
57720编辑于 2022-07-13 - 来自专栏WOLFRAM
交互式查询化学键信息
█ 本文译自 Wolfram|Alpha 化学组开发人员 Jason.Biggs 在 Wolfram 社区发表的文章：Interactively query bond information 最近在S
92630发布于 2018-05-31 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-2 最小二乘法
此时需要注意的是(x, y)为监督学习中的样本以及对应的标签，而a, b为需要求得的参数。在数学中很多时候，我们把损失函数用大写的“J”来表示（还有一些资料使用"Cost"作为损失函数，意思都是一样的）。
84300发布于 2019-11-13 - 来自专栏量子化学
用EzReson进行化学键共振分析（6）：实例：吡咯的共振结构
Lewis结构是简单而且经典的概念，但有些结构不能仅被一个Lewis结构有效描述。此时可以画出多个Lewis结构式，表明实际分子是这些Lewis结构的杂合体。描述同一个实际分子的Lewis结构称为共振结构，这种用多个共振结构描述同一个分子的行为称为共振。在我们学习有机化学的过程中，曾经遇到的一个例子就是吡咯的共振结构。
4.2K30发布于 2021-04-07 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程5-2：利用GEMMA软件进行LMM+PCA+协变量
笔记 | GWAS 操作流程5-2：利用GEMMA软件进行LMM+PCA+协变量 这里，我们用正常的GWAS分析，考虑所有的协变量（数值协变量+因子协变量）+ PCA协变量，然后用混合线性模型进行分析。
7.1K11发布于 2020-06-04 - 来自专栏算法修养
pta 习题集 5-2 找出不是两个数组共有的元素 (5分)
给定两个整型数组，本题要求找出不是两者共有的元素。 输入格式: 输入分别在两行中给出两个整型数组，每行先给出正整数NN（≤20≤20），随后是NN个整数，其间以空格分隔。 输出格式: 在一行中按照数字给出的顺序输出不是两数组共有的元素，数字间以空格分隔，但行末不得有多余的空格。题目保证至少存在一个这样的数字。同一数字不重复输出。 输入样例: 10 3 -5 2 8 0 3 5 -15 9 100 11 6 4 8 2 6 -5 9 0 100 8 1 输出样例: 3 5 -15 6 4 1
3.2K100发布于 2018-04-27 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题5-2 使用函数求奇数和
习题5-2 使用函数求奇数和 本题要求实现一个函数，计算N个整数中所有奇数的和，同时实现一个判断奇偶性的函数。
2.1K10发布于 2020-09-15 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 练习5-2 找两个数中最大者
练习5-2 找两个数中最大者 本题要求对两个整数a和b，输出其中较大的数。
1.1K40发布于 2020-09-15 - 来自专栏架构
真实调研2500名程序员：工资差一倍，AI拉开分水岭
2万46%互联网"1万5-2万"上海1万5-2万43%互联网"1万5-2万"深圳1万5-2万38%跨境电商"3万以上"、制造业"2万-3万"广州1万-1万529%电商"1万5-2万"杭州1万5-2万38% 互联网"1万5-2万"苏州1万5-2万30%互联网"1万5-2万"成都1万-1万523%制造业"1万5-2万"重庆1万-1万522%汽车研发"1万5-2万"西安1万-1万521%互联网"1万-1万5"武汉 2万"深圳跨境电商"3万以上"制造业"2万-3万"医疗健康"1万5-2万"杭州电商"3万以上"互联网"1万5-2万"制造业"1万-1万5"苏州制造业"1万5-2万"互联网"1万5-2万"物流"1万5-2 万"广州电商"1万5-2万"教育培训"1万-1万5"互联网"1万-1万5"成都制造业"1万5-2万"医疗健康"1万5-2万"其他"1万-1万5"重庆汽车研发"1万5-2万"互联网"1万-1万5"—西安互联网 医疗健康：中位数"1万5-2万"档，2万+占50%。电商：中位数"1万5-2万"档，3万+占35%。金融/银行/证券：中位数"1万5-2万"档，2万+占42%。
13910编辑于 2026-09-14 - 来自专栏智药邦
百度研究成果登《Nature》子刊：利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
67140编辑于 2022-03-04 AI+Drug 文献速递 | YuelBond，一个基于图神经网络的多场景化学键重建通用框架
2025.05.06.652517 代码: https://bitbucket.org/dokhlab/yuel_bond 简介: 论文提出YuelBond多模态图神经网络框架，用于解决生成分子设计中化学键重建的难题 ，创新点在于能在多种复杂场景下准确重建化学键。 该框架基于图神经网络，以原子为节点、化学键为边，通过特定的消息传递机制学习和预测键序。 实验使用GEOM数据集，在三种场景下对模型进行训练和评估：从准确3D原子坐标恢复键序、在有几何扰动的粗新生化合物中重建化学键、对2D拓扑图重新分配键序。
63510编辑于 2026-01-08- 来自专栏超前沿网络空间安全全栈学习宝典
2024全网最为详细的红帽系列【RHCSA-(5-2)】初级及进阶Linux保姆级别骚操作教程；学不费来砍我
从命令行管理文件[接RHCSA-(5-2)] 1.将标准输出重定向到文件 简介 echo命令用于在终端设备上输出字符串或变量提取后的值 执行“echo 字符串”或“echo 变量”就可以，其中符号意思是提取变量的实际值
1.9K10编辑于 2024-10-22 - 来自专栏机器之心
“几何构象增强AI算法”，百度生物计算最新研究成果登上《Nature》子刊
图 1: GEM 的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。 GEM 提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。每个化合物由两个图组成：原子－化学键的图 G 和化学键－键角的图 H。 类似于过往的工作，原子－化学键的图 G 以原子作为图的节点，化学键作为连接原子的边。而化学键－键角的图 H 则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM 不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
65930编辑于 2022-03-04 - 来自专栏DrugOne
Nat. Mach. Intell. | 利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
71210编辑于 2022-03-25 - 来自专栏DrugOne
Nat. Commun. | 引导等变扩散驱动的靶标感知三维分子生成
研究人员提出了 DiffGui，一种靶点条件的 E(3)-等变扩散模型，通过引入化学键扩散和性质引导来解决这些问题。原子扩散与化学键扩散的结合能够显式建模两者的相互依赖，从而同时生成原子和键。 消融实验进一步验证了化学键扩散和性质引导模块的重要性。DiffGui 在新药设计与先导化合物优化中均展现出卓越表现，并在实验室实验中获得验证。 它在前向过程中对原子与化学键分别注入噪声，并在反向生成过程中结合分子性质（如结合亲和力、QED、合成可行性、LogP 和极性表面积）进行引导。 该设计既解决了原子与化学键间的一致性问题，也通过性质约束提升了分子的药物样特征。 研究人员提出的 DiffGui 模型通过整合化学键扩散和性质引导，能够同时生成原子与键，并在保证结构合理性的同时，赋予分子期望的药物属性。
50410编辑于 2025-09-02 - 来自专栏DrugOne
Nat. Commun. | 通过多任务图表征学习解决单步逆合成预测
该框架包含三个核心部分： 原子特征增强器（AEE）：通过对比学习技术，分析目标分子与其组成部分（合成子）的结构异同 反应中心预测器（RCP）：结合化学键能量等基础知识，准确识别可能发生反应的化学键位置 本研究的主要发现 通过分析化学键的特征分布（基于美国专利商标局的50K和480K化学反应数据集），研究发现： 能量较高（≥360 kJ/mol）的化学键，包括双键（如碳-碳双键、碳-氧双键、碳-氮双键） 研究还发现，即使是看似简单的化学键能量信息也能显著提升系统性能，因为高能量的化学键往往更容易参与反应。 图 3 为了更深入地理解这一规律，研究人员分析了化学键的特征。如图3所示，他们发现： 高能量的化学键（如三重键、芳香键）通常很稳定，不易参与反应。 图4证实了这一点：当一个化学键连接的两个原子具有相反的电性时，它更可能成为反应发生的位置。
42200编辑于 2025-04-19 - 来自专栏智药邦
JCIM｜RJT-RL：一种基于化合物的可逆树表示和深度强化学习的分子设计方法
简要地说，连接树中的节点表示分子图中的一个化学键或一个环[这些化学键和环已经预先从数据库中筛选出来定义好。 如图S1所示，第三行中矩形框表示连接树中的化学键节点（对应分子图中的一个化学键）；圆圈表示连接树中的环节点(对应分子图中的环)；红色圆圈为单原子节点，其被三个化学键节点连接，详细的介绍可以参考原始论文] 类型1边又可细分为三种情况：(1)化学键节点连接单原子节点；(2)两个化学键节点相连；(3)化学键节点和环节点相连。图1A上示例了两个化学键节点相连，图1A下示例了化学键节点和环节点相连。
58530编辑于 2022-11-16 - 来自专栏信数据得永生
挠场的科学丨五、二十一世纪的挠力文明
简单分子模型与金字塔结构 首先，我们尝试用简单分子模型如乙醇／酒精（C2H5OH）与甲烷（CH4）及纸做的几何结构如金字塔与大型DNA模型（长四十公分，直径十四公分），如图5-2所示。 如图5-2右栏第一列所示，气场穿过乙醇分子会从静态的一个圆点，变成一阵一阵的动态气场；但是穿过左栏第一列的甲烷正四面体分子（碳原子在正四面体中心，四个氢原子在正四面体的四个角落），却是以碳原子为核心成球形向外扩散 这表示球形对称的分子引发球形对称的气场分布；乙醇分子中，碳─碳─氧三个原子约略呈一百多度夹角的主轴化学键，加上五个碳─氢、一个氧─氢周边化学键的作用，导致气场被不同原子来回散射，变成一阵阵的动态气场，很明显的是 图5-2最后一个实验是左栏第二列的纸做DNA模型直径十四公分，长度为四十公分，如果气场沿DNA轴方向入射，则气场会顺着DNA旋转方向旋转，类似第三章图3-14所示，气场顺着阿基米德螺旋旋转一样。 由于水分子（如图5-8所示）是两个氢原子与一个氧原子化合（H2O），H-O化学键有两个自旋相反的电子，形成3D的太极结构，有两个鱼眼，挠场可以一进一出穿梭阴阳界。
2K10编辑于 2022-11-18 NeurIPS 2025 | UAE-3D：统一潜空间破解3D分子生成的效率困境
3D分子生成需要同时处理原子类型、化学键和三维坐标等多模态信息，但现有方法将等变和不变模态分别编码到独立的潜空间，导致模型复杂、效率低下。 这种设计确保了：化学键信息不会在编码过程中丢失，解码时能准确重建分子的键连接。 相比之下，之前的工作往往在重构时丢失部分化学键信息或产生较大的坐标偏差。 3.2 生成质量：键长分布的突破 在分子生成任务中，一个关键的质量指标是键长分布——生成分子的化学键长度应该符合物理规律（如C-C单键约1.54 Å，C=C双键约1.34 Å）。 4.2 信息协同：模态之间的对话 在统一潜空间中，原子类型、化学键和坐标的信息是交织在一起的。编码器在处理一个原子时，可以同时"看到"它的类型、周围的键和空间位置。
33010编辑于 2026-01-22- 来自专栏智药邦
Nat Commun｜西北工业大学施建宇团队：通过多任务图表示学习进行单步逆合成预测
Retro-MTGR的工作流程图 研究亮点：从键能到分子电性，AI揭示药物合成的深层规律 这项研究的最大亮点之一，在于通过学习分子化学键的结构，键能等属性，揭示了哪些化学键可能成为反应中心，哪些则可能只是普通的化学键 具体来说： 高键能（>=360 kJ/mol）的化学键，如双键和三键，通常是普通键； 低键能的单键（如C-N、C-O等）可能是反应中心，也可能是普通键，这取决于周围分子的结构； 反应中心的原子通常具有相反的电性 图2.化学键嵌入空间的展示 图3.合成子和离去基的联合嵌入空间展示 实验验证：准确预测药物合成路径 为了验证这一创新框架的有效性，研究团队通过预测两种药物Sonidegib和Acotiamide的逆合成路线
61810编辑于 2025-02-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号